Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA N8N Dúvidas sobre Embeddings e RAG (2026-03-24)

24 mar 20261h 12min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão foi dedicada principalmente à revisão do exercício de RAG no n8n e à resolução de um problema ocorrido na apresentação anterior. Foram identificadas duas falhas de configuração: a seleção da coleção incorreta no banco vetorial e o carregamento simultâneo do texto completo e das páginas do documento, o que gerava embeddings duplicados. Após corrigir essas configurações, as consultas passaram a retornar respostas adequadas sem a necessidade de aumentar o número de chunks recuperados. Também foi reforçada a importância de observar os logs, revisar entradas e saídas das ferramentas e compartilhar dúvidas em canais públicos para beneficiar todo o grupo.

Em seguida, foram discutidos embeddings, busca semântica, chunking e overlap. Foi explicado que os textos e as perguntas são convertidos em vetores pelo mesmo modelo de embedding, permitindo comparar sua similaridade no banco vetorial; depois, os trechos recuperados em linguagem natural são enviados ao modelo para compor a resposta. Também se destacou que RAG não é a solução para todos os casos: agentes podem escolher entre busca vetorial, consultas SQL ou outras ferramentas, conforme a tarefa. Ficaram como pontos em aberto a validação de estratégias para evitar documentos duplicados, como uso de hashes ou limpeza de namespaces, a comparação entre OCR e leitura direta de arquivos e a gestão de arquivos com o mesmo nome. A próxima sessão ocorrerá na quinta-feira, com novos exemplos, e os participantes foram orientados a realizar o dever de casa e levar suas dúvidas.

Gerado por IA a partir da transcrição.
Capítulos · 30
00:17
Abertura e objetivo da sessão
Assistir
02:10
Gravação automática e notificações da reunião
Assistir
05:25
Correção dos erros de configuração do banco vetorial
Assistir
09:03
Duplicação de chunks e ajuste da busca semântica
Assistir
11:15
Exercícios, dúvidas e materiais complementares
Assistir
12:50
Logs, observabilidade e fluxo de execução
Assistir
16:43
Duplicidade de embeddings e limpeza da coleção
Assistir
20:20
Extração por página, chunks e configuração do loader
Assistir
22:12
OCR ou leitura binária de documentos
Assistir
26:34
Arquivos repetidos e estratégias de deduplicação
Assistir
29:10
Comparação entre soluções no-code e com programação
Assistir
33:00
Bancos vetoriais disponíveis no n8n
Assistir
35:35
Memória, contexto e gerenciamento de sessões
Assistir
39:08
Introdução aos embeddings
Assistir
40:38
Como embeddings transformam texto em vetores
Assistir
42:23
Busca semântica no espaço vetorial
Assistir
44:22
Dimensões e representação vetorial
Assistir
45:53
Embeddings e busca vetorial
Assistir
47:42
Similaridade por cosseno
Assistir
49:03
Papel da IA e do banco vetorial
Assistir
50:28
RAG e aumento de contexto
Assistir
52:09
Consistência do modelo de embedding
Assistir
54:31
RAG semântico versus consultas SQL
Assistir
56:11
Agentes combinando diferentes fontes
Assistir
59:13
Chunking e overlap na recuperação
Assistir
1:03:43
Ferramentas e decisões dos agentes
Assistir
1:05:51
Encerramento e próximos passos
Assistir
1:07:26
Uso do Teams no Linux
Assistir
1:10:03
Próxima sessão e dever de casa
Assistir
1:11:25
Disponibilização das atividades
Assistir
Cortes · 9
Correção do fluxo de busca vetorial
É explicado por que a demonstração anterior não funcionou: a coleção errada do banco vetorial foi selecionada e o carregamento duplicou os textos do documento. Em seguida, são mostrados os ajustes que eliminam os chunks repetidos e permitem responder corretamente à pergunta sobre os estados onde a empresa atua.
05:25 – 11:14Assistir
Investigando a execução pelos logs
A sessão mostra como analisar os logs do agente para entender o caminho percorrido por uma pergunta. São apresentados o system prompt, a geração da query, o embedding e a ausência da resposta da ferramenta, destacando como essa observabilidade ajuda a identificar falhas.
12:50 – 16:43Assistir
Duplicação de embeddings e escolha do OCR
Os participantes analisam como múltiplos embeddings do mesmo documento podem gerar resultados duplicados na busca por similaridade. A demonstração reproduz o erro e explica a configuração correta do carregamento, seguida de uma discussão sobre quando usar OCR ou extrair diretamente o conteúdo binário de PDFs e outros arquivos.
16:43 – 26:37Assistir
Bancos vetoriais e gerenciamento de memória
O grupo compara bancos vetoriais e opções disponíveis no ecossistema do n8n, como Qdrant, Pinecone, Supabase e armazenamento vetorial simples. Também são discutidas as limitações de soluções mais simples para aplicações com muitos documentos e os cuidados necessários para controlar memórias e sessões.
33:00 – 37:34Assistir
O que são embeddings
A explicação mostra como textos são convertidos em representações numéricas para que máquinas possam processá-los e realizar buscas semânticas. A conversa usa a ideia de vetores e coordenadas em um espaço vetorial para ilustrar como os documentos se tornam consultáveis.
39:08 – 44:24Assistir
Embeddings e busca por similaridade
Explica-se como textos são convertidos em vetores por embeddings e armazenados em um banco vetorial. A busca compara os vetores por similaridade, usando principalmente o cálculo do cosseno, e exige o mesmo modelo de embedding na indexação e na consulta.
45:53 – 54:29Assistir
Quando usar RAG ou SQL
O grupo diferencia a busca semântica em documentos de uma consulta direta a um banco relacional. O exemplo de um aluno mostra como um agente pode combinar notas obtidas via SQL com regras escolares recuperadas por RAG para chegar a uma conclusão.
54:31 – 57:47Assistir
Como funcionam chunks e overlap
É apresentada uma explicação prática de chunking usando uma frase dividida em partes menores. O overlap mantém palavras ou informações compartilhadas entre chunks, permitindo recuperar trechos vizinhos e reconstruir o contexto necessário para responder a uma pergunta.
59:13 – 1:03:41Assistir
Agentes usando ferramentas de recuperação
A conversa amplia o conceito de RAG para agentes, que escolhem entre diferentes ferramentas, como busca semântica, consultas a banco e funções de cálculo. Destaca-se que cada ferramenta precisa ser descrita corretamente para que o agente saiba quando utilizá-la.
1:03:43 – 1:05:51Assistir
Perguntas desta sessão
Como a duplicação de embeddings do mesmo documento afeta a recuperação de respostas no banco vetorial?
A duplicação cria vários vetores com o mesmo conteúdo. Na busca por similaridade, esses vetores podem ocupar as primeiras posições do limite de resultados, fazendo o sistema retornar cópias da mesma informação e prejudicando a resposta. A correção é evitar novos embeddings duplicados e ajustar a configuração do carregamento e da coleção.
16:54 – 20:03Assistir
A extração do documento no n8n é feita por página ou pelo conteúdo inteiro do PDF?
Na configuração apresentada, o documento era extraído das duas formas: por página e pelo texto inteiro do PDF. Se ambas as opções forem carregadas, as informações são duplicadas antes da divisão em chunks e da criação dos embeddings.
20:41 – 21:16Assistir
Quando se deve usar OCR em vez da extração nativa de texto de um documento no n8n?
A extração nativa pode ser suficiente para documentos simples cujo conteúdo textual é preservado, como arquivos originados de Word ou Excel. O OCR é mais indicado para documentos que são essencialmente imagens ou quando a extração nativa apresenta problemas de qualidade, como erros em português, acentuação, formatação e conteúdo de tabelas. No caso demonstrado, o OCR foi escolhido porque a extração nativa não produziu respostas adequadas.
22:26 – 24:57Assistir
É possível enviar dois arquivos PDF com o mesmo nome para o Qdrant? Se os conteúdos forem iguais ou diferentes, o sistema duplica, substitui ou identifica os arquivos de alguma forma?
O comportamento depende da lógica configurada no banco e da aplicação. A prevenção de duplicidades pode ser implementada fora do Qdrant, por exemplo no n8n, usando um bloco de código, hashes do conteúdo, verificação prévia da existência do arquivo ou IDs. Usar o nome do arquivo como chave pode fazer o sistema substituir um documento; usar IDs distintos permite manter arquivos com o mesmo nome, inclusive quando têm conteúdos diferentes.
26:49 – 33:02Assistir
Como evitar a geração duplicada de embeddings quando o mesmo arquivo é enviado novamente para um sistema de busca vetorial?
Uma estratégia é calcular um hash do conteúdo do arquivo e armazená-lo no banco. Ao receber outro arquivo, o sistema calcula o hash novamente e, se ele já existir, não gera novos embeddings. Também é possível usar IDs ou verificar previamente a existência do arquivo.
29:22 – 30:17Assistir
Como os embeddings e um banco vetorial são usados para realizar uma busca semântica?
O modelo de embedding converte o texto da pergunta em uma representação numérica, assim como fez com os documentos armazenados. O banco vetorial compara esses vetores e recupera os textos cujas representações são mais semelhantes. A similaridade pode ser calculada pelo cosseno entre os vetores: valores próximos de 1 indicam direções semelhantes, enquanto valores próximos de -1 indicam direções opostas. Os chunks ajudam a localizar partes relevantes do conteúdo, mas a qualidade da resposta depende de haver dados relacionados no acervo.
45:53 – 49:39Assistir
Como a IA interpreta os vetores gerados a partir dos textos?
A IA gera embeddings convertendo o contexto dos textos em números para permitir buscas semânticas. No RAG, tanto o conteúdo armazenado quanto a pergunta são convertidos usando o mesmo padrão de embedding; depois, o trecho de texto recuperado é inserido no prompt como contexto para a resposta.
50:02 – 52:10Assistir
Por que é necessário usar o mesmo modelo ou estratégia de embedding no armazenamento e na busca?
O texto armazenado e a consulta precisam ser representados no mesmo espaço vetorial. Se modelos ou estratégias diferentes forem usados, os vetores ficam incompatíveis ou produzem resultados de similaridade incorretos, podendo até causar erros no banco.
53:06 – 53:20Assistir
Como funcionam os chunks e o overlap na recuperação de contexto de documentos?
O documento é dividido em partes menores chamadas chunks. O overlap repete uma parte do conteúdo entre chunks consecutivos, preservando informações do trecho anterior e ajudando a recuperar também o trecho seguinte quando uma pergunta depende de contexto distribuído entre partes do documento. A quantidade de overlap pode ser ajustada.
53:21 – 1:03:41Assistir
No Linux, o Microsoft Teams pode ser usado pelo aplicativo ou pelo navegador?
É possível usar o Teams pelo navegador, preferencialmente um baseado em Chromium, e criar um atalho no Linux. Embora existam aplicativos empacotados, a experiência pode ser menos compatível que no Windows; no navegador Chromium, recursos como supressão de ruído funcionam adequadamente.
1:07:44 – 1:09:30Assistir